天津大学在多模态缺失数据方向取得系列进展

http://www.edu.hc360.com2021年01月13日08:51 来源:中国教育信息化网T|T

    【慧聪教育网

    近日,我学部机器学习与数据挖掘团队青年教师张长青副教授、胡清华教授等人撰写的论文《DeepPartialMulti-ViewLearning》被人工智能领域国际顶级期刊《IEEETransactiononPatternAnalysisandMachineIntelligence》(SCI,IF:17.861)录用。成果在多源异构信息融合方法和理论方面取得重要进展。

    面向多源异构信息处理的人工智能技术已经取得长足进步,但由于多源信息之间的复杂关联、数据缺失等问题,算法的有效性和稳定性仍然面临巨大挑战。针对挑战,该论文提出了多视图完备表示方法并给出了理论支撑,在统一框架下有效解决复杂缺失情况下的分类、补全问题。该方法具备高度灵活性,针对不完整多源异构数据具有强适应性。

    (1)有监督分类。同时考虑了统一表示的信息完整性和类分布结构性,以学习统一的隐空间表示。该方法具备高度灵活性,针对缺失的多视图数据具有强适应性。从观测数据反向编码而来的隐空间表示具备完备性和紧致性;无参化分类模式增强了隐空间表示的结构性。基于分类任务的理论分析和实验结果证明了所提出的模型的有效性。

    (2)无监督:聚类及补全。针对缺失信息补全效果难以在线评价问题,提出通过引入对抗策略增强补全信息的合理性,以促进隐空间表示学习。基于聚类和补全任务的实验结果验证了所提模型的有效性。

    一、基于缺失多视图数据的分类任务(有监督)

    如Fig.1所示,我们提出跨缺失视图网络模型(CPM-Nets),通过构建隐空间表示还原完整视图,并根据结构化约束获得强泛化能力分类模型。

    QQ截图20210108153631.jpg

    二、基于缺失多视图数据的聚类、补全任务(无监督)

    如Fig.2所示,在无监督条件下,通过引入对抗策略确保对缺失视图的补全合理性(提出min-max-min隐表示对抗学习框架),进一步确保完备表示有效性。

    QQ截图20210108153624.jpg

    三、基于缺失多视图数据的高阶关联挖掘

    此外,课题组首先提出的高阶张量多视图融合模型引起了广泛关注,后续工作基于该思想进行了深入和扩展,取得了非常优越的性能。基于张量的多视图融合方法在一些常用数据集上甚至达到了接近100%的聚类精度。近期,提出了信息缺损情况下的多视图高阶关联挖掘方法,在统一框架下有效解决了复杂缺失情况下多源信息高阶关联挖掘问题。

    QQ截图20210108153616.jpg

    [1]ChangqingZhang,YajieCui,ZongboHan,JoeyTianyiZhou,HuazhuFuandQinghuaHu,DeepPartialMulti-ViewLearning,IEEETPAMI2020

    [2]ChangqingZhang,ZongboHan,YajieCui,HuazhuFu,JoeyTianyiZhou,andQinghuaHu,CPM-Nets:CrossPartialMulti-ViewNetworks,TheThirty-thirdConferenceonNeuralInformationProcessingSystems(NeurIPS)2019

    [3]ZhaoBo-Yu,ZhangChang-Qing,ChenLei,LiuXin-Wang,LiZe-Chao,HuQing-Hua.GenerativeModelforPartialMulti-ViewClustering.ActaAutomaticaSinica.https://doi.org/10.16383/j.aas.c200121

责任编辑:常丽圆

免责声明:凡注明来源本网的所有作品,均为本网合法拥有版权或有权使用的作品,欢迎转载,注明出处。非本网作品均来自互联网,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。本网对文中陈述、观点判断保持中立,不对所包含内容的准确性、可靠性或完整性提供任何明示或暗示的保证。读者应详细了解所有相关投资风险,并请自行承担全部责任。

关于慧聪|网站导航|客服中心 |法律声明|广告服务 | 友情链接|移动站

客服咨询热线:400-6360-888 ( 免长途费 )  010-80707000工作时间:8:00 - 19:00

海淀公安局网络备案编号:11010802015485|京ICP证010051号

Copyright?2000-2018hc360.com.All Rights Reserved